摘要 | 第4-6页 |
Abstract | 第6-7页 |
1 绪论 | 第11-19页 |
1.1 选题背景和意义 | 第11-13页 |
1.1.1 选题背景 | 第11-12页 |
1.1.2 选题意义 | 第12-13页 |
1.2 国内外研究现状 | 第13-16页 |
1.2.1 空气质量与气象因素的关系研究现状 | 第13-14页 |
1.2.2 空气质量预测系统现状 | 第14-16页 |
1.3 本文的研究内容 | 第16-17页 |
1.4 论文结构安排 | 第17-19页 |
2 相关技术 | 第19-23页 |
2.1 Python语言简介 | 第19-20页 |
2.1.1 Python语言特点 | 第19页 |
2.1.2 Python的应用现状 | 第19-20页 |
2.2 PyQt5简介 | 第20-21页 |
2.3 DjangoWeb框架 | 第21页 |
2.4 MySQL数据库 | 第21-22页 |
2.5 Matplotlib简介 | 第22页 |
2.6 本章小结 | 第22-23页 |
3 基于数据挖掘的成都市空气质量预测系统分析与设计 | 第23-31页 |
3.1 系统需求分析 | 第23-24页 |
3.1.1 系统功能需求 | 第23-24页 |
3.1.2 系统性能需求 | 第24页 |
3.1.3 数据需求分析 | 第24页 |
3.2 系统总体设计 | 第24-25页 |
3.3 网络爬虫设计 | 第25-26页 |
3.4 Web端软件设计 | 第26-29页 |
3.4.1 Web端软件架构设计 | 第26-27页 |
3.4.2 Web端面向对象设计 | 第27页 |
3.4.3 Web端数据库设计 | 第27-29页 |
3.5 系统预测模块设计 | 第29-30页 |
3.6 本章小结 | 第30-31页 |
4 基于数据挖掘的成都市空气质量预测模型 | 第31-61页 |
4.1 数据挖掘 | 第31-32页 |
4.2 成都市空气质量数据预处理和探索分析 | 第32-38页 |
4.2.1 数据预处理 | 第33-34页 |
4.2.2 Adaptive-Lasso变量选择 | 第34-35页 |
4.2.3 PM10和PM2.5与气象因子的相关性分析 | 第35-38页 |
4.3 BP神经网络基本理论 | 第38-42页 |
4.3.1 人工神经网络 | 第38-39页 |
4.3.2 BP神经网络 | 第39-42页 |
4.4 差分进化算法 | 第42-50页 |
4.4.1 标准差分进化算法 | 第42-43页 |
4.4.2 改进差分算法 | 第43-44页 |
4.4.3 改进差分进化算法的性能测试 | 第44-50页 |
4.5 布谷鸟搜索算法 | 第50-51页 |
4.5.1 标准布谷鸟搜索算法 | 第50-51页 |
4.5.2 改进布谷鸟搜索算法 | 第51页 |
4.6 两种预测模型建立 | 第51-54页 |
4.6.1 改进差分进化算法优化BP神经网络(IDE-BPNN) | 第52-53页 |
4.6.2 改进布谷鸟搜索算法优化BP神经网络(ICS-BPNN) | 第53-54页 |
4.7 预测结果与分析 | 第54-60页 |
4.7.0 预测性能评估标准 | 第54-56页 |
4.7.1 预测模型参数设置 | 第56-57页 |
4.7.2 预测结果及分析 | 第57-60页 |
4.8 本章小结 | 第60-61页 |
5 系统的实现与测试 | 第61-74页 |
5.1 软件开发环境 | 第61页 |
5.2 网络爬虫模块 | 第61-65页 |
5.3 Web端功能模块 | 第65-66页 |
5.3.1 数据后台模块 | 第65-66页 |
5.3.2 Web前端模块 | 第66页 |
5.4 预测模块 | 第66-67页 |
5.4.1 数据导入 | 第66-67页 |
5.4.2 分析预测 | 第67页 |
5.5 系统测试 | 第67-73页 |
5.5.1 网络爬虫功能测试 | 第68-69页 |
5.5.2 Web端功能测试 | 第69-72页 |
5.5.3 预测模块功能测试 | 第72-73页 |
5.5.4 性能测试 | 第73页 |
5.6 本章小结 | 第73-74页 |
6 总结与展望 | 第74-76页 |
6.1 总结 | 第74-75页 |
6.2 展望 | 第75-76页 |
参考文献 | 第76-80页 |
攻读硕士学位期间发表论文及科研成果 | 第80-81页 |
致谢 | 第81-83页 |